先验启发和敏感性分析

先验启发将专家知识转化为概率分布，而敏感性分析则检验结论在多大程度上取决于这些先验选择。

Definition

先验启发是利用结构化判断（如分位数或概率）从专家信念中构建先验分布的过程；敏感性（稳健贝叶斯）分析量化了在合理类别内改变先验时后验如何变化。

Scope

本主题涵盖了从专家那里获取主观概率、将其编码为先验分布，以及通过对先验类别进行敏感性分析来评估稳健性的方法，包括使用污染类别和后验量界限。

Core questions

• 如何启发专家信念并将其转化为先验分布？
• 哪些偏差会影响概率判断，启发如何减轻这些偏差？
• 如何评估跨分布类别的先验稳健性？
• 先验选择何时会实质性地改变分析结论？

Key concepts

• 先验启发
• 专家判断
• 过度自信偏差
• 稳健贝叶斯分析
• 污染类别
• 敏感性分析

Key theories

结构化启发

启发分位数、概率或比较，并对其进行分布拟合，可以产生可重复的先验，同时控制诸如过度自信等有据可查的判断偏差。

稳健贝叶斯分析

不是考虑单一先验，而是考虑一类先验，由此产生的后验量范围表明结论对先验规范是否稳健。

Clinical relevance

正式的启发和敏感性分析用于将专家意见纳入卫生技术评估、环境风险和试验设计中，同时证明结论并非任意先验的人为产物。

History

结构化启发协议从决策分析和判断心理学发展而来，并在2006年SHELF相关文献中得到巩固。稳健贝叶斯分析由Berger等人自20世纪80年代起正式提出，为评估先验敏感性提供了补充工具。

Debates

先验在多大程度上应该驱动结论？

实践者们就先验影响的可接受程度以及先验敏感性报告的透明度进行了辩论，尤其是在受监管的决策制定中。

Key figures

• Anthony O'Hagan
• James Berger
• Paul Garthwaite

Seminal works

• ohagan2006
• berger1990

Frequently asked questions

如果我的结论随先验变化很大，我该怎么办？

对先验的强烈敏感性表明数据对感兴趣的量信息量不大；诚实的做法是报告这种依赖性，收集更多数据，或者仔细论证先验，而不是隐藏这种敏感性。